【山火風險】AI火災預測或重塑加州

氣候變化導致加州的火災季節變得更嚴重，但引起火災的原因並沒有轉變：氣候乾旱、植被過於茂盛、風速和風向。私營企業和公共機構爭相開發用於監測這些因素的技術，想搞清楚山火如何蔓延，並在火災發生前作出預測。

隨著美國人口最多的加州山火蔓延範圍越來越大，能夠正確預測山火的技術變得越來越重要。加州歷史上最大的七場火災中，其中六場於去年8月後發生，而且美國西部的極端乾旱氣候令專家們擔心今年的火災季節將尤其嚴峻。性命攸關，還涉及數十億美元的利益。

公營機構及商界均有山火預測的需求。保險公司疲於應對越來越頻繁、代價高昂而反覆無常的大火，因此科技公司現有的大部份新技術都針對為保險公司服務。這種趨勢不僅可能決定預測軟件的使用方式，而且還可能決定其設計方式。初創公司Kettle則展現了這種變化，這間公司建立了一個預測系統，使用人工智能協助制定再保險政策，幫助保險公司防範山火風險。Kettle於去年成立，兩位創辦人均在保險業工作多年，恩格勒（Andrew Engler）曾在美國保險公司Allstate從事銷售業務，之後出任Argo集團副總裁；曼寧（Nathaniel Manning）曾擔任應對人權事件的群眾外包（crowdsourcing）應用程式Ushahidi行政總裁。

再保險公司傳統上一直使用隨機模型（stochastic modelling）技術，透過分析歷史數據確定隨機事件發生的機率。恩格勒說，當氣候轉變以一種人們從未見過的方式出現時，這種技術就失去了作用。─ Sarah Holder、David Ingold;譯 王非

#山火 #人工智能 #加州 #保險公司 #氣候變化

（本文節選自《彭博商業周刊∕中文版》第229期，如欲查閱全文，歡迎訂閱）
★★訂閱聯絡方法
網站：bbwhk.net
電郵：bbwhk_cir@modernmedia.com.hk

➥【比較以個案與以群眾為基礎的兩種感控介入措施於台灣新冠肺炎防治的成效】：
■中文摘要
台灣是世界上少數未實施嚴格封城、學校停課但新冠疫情控制良好的國家。台灣研究團隊比較了兩種感控措施於疫情防治的成效。
　
■目標
比較以個案(case-based)與以群眾(population-based)為基礎的兩種感控介入措施於台灣新冠肺炎防治的成效。
　
■方法
使用隨機模型中的分支過程方法(stochastic branching process model)分析台灣159位COVID-19確診病患的疫調資料，比較以個案與以群眾為主的兩種感控措施於疫情防治的成效。前者包括找出個案、接觸者追蹤及親密接觸者隔離14天等隔離檢疫措施;後者包括維持社交距離及配戴口罩等。
　
■結果
(1)55%的感染傳播事件發生在尚未有明顯症狀的疾病症狀前期(pre-symptomatic)。
(2)以個案為主的感控措施，可將R0由2.50降至1.53 (註)。
(3)以群眾為主的感控措施，可將R0由2.50降至1.30。
(4)以個案與以群眾為主的兩感控措施並行，可將R0由2.50降至0.85。
　
■結論
單獨使用個案介入措施或群眾介入措施都無法阻絕疫情傳播，需兩者並行才能有效控制疫情。此研究結果也說明了台灣...完整轉譯文章，詳連結：http://forum.nhri.org.tw/covid19/virus/j_translate/j2615/ ( 財團法人國家衛生研究院 吳綺容醫師摘要整理)
　　
📋 JAMA - 2021-04-06
Comparison of Estimated Effectiveness of Case-Based and Population-Based Interventions on COVID-19 Containment in Taiwan
■ Author：Ta-Chou Ng, Hao-Yuan Cheng, Hsiao-Han Chang, et al.
■ Link：https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2778395
　　
〈 國家衛生研究院-論壇 〉
➥ COVID-19學術資源-轉譯文章 - 2021/05/04
衛生福利部
疾病管制署 - 1922防疫達人
疾病管制署